Conclusões

O R dispõe de uma grande panóplia de ferramentas ao serviço da SEM. No presente capítulo, exploramos apenas as ferramentas diretamente relacionadas com especificação e o ajustamento do modelo. Muito mais pode ser feito com recurso ao R, nomeadamente a exploração e caracterização dos dados, como ilustrado, em parte, no capítulo 4 com a verificação de pressupostos, em particular a existência de dados omissos e respetivos padrões, a normalidade multivariada e a homogeneidade de variâncias e com as diferentes formas de implementar a metodologia na presença de dados omissos.

O tema da SEM é de tal forma abrangente e as ferramentas disponíveis são de tal forma completas que é impossível, num trabalho deste âmbito, explorar devidamente todos os aspetos. Muitos ficam por explorar e por exemplificar para além dos enunciados. Refira-se em especial os pacotes adequados para estudos de simulação como o simsem, que tem imensas potencialidades e o lavaan.survey que possibilita o desenvolvimento de estudos em projetos com planeamentos amostrais complexos, nomeadamente na área da Educação.

CAPÍTULO 6

CONSIDERAÇÕES FINAIS E PERSPETIVAS DE INVESTIGAÇÃO

FUTURA

177

C

Desde a introdução do método de análise de trajetórias por Wright (1918) que a SEM, como abordagem estatística, ganhou impulso e progrediu de forma constante nos últimos anos.

Nas últimas décadas, o poder computacional e estatístico cresceu e vários programas de

software foram desenvolvidos e provaram que a abordagem SEM é uma opção viável para

a investigação de redes complexas de relacionamentos, mas também para representar conceitos teóricos usando variáveis latentes, além de permitir lidar com um elevado volume de dados.

O desenvolvimento da SEM iniciou-se, no princípio do século XX, por duas vias. Uma, pela via da biometria, com a Análise de Caminhos (Path Analysis) e a modelação gráfica para implementar a análise causal de sistemas biológicos e que posteriormente se aplicou à Econometria e às Ciências Sociais, e outra através da Análise Fatorial que surgiu no âmbito da Psicologia e da Psicometria. Jöreskog (1973), entre outros, combinou estas duas vias, a análise fatorial e a modelação de equações simultâneas, numa abordagem analítica coerente – o modelo LISREL. Como referido a SEM tem-se desenvolvido numa abordagem que integra a tradução da teoria (Grace et al., 2010), a inferência causal (Pearl, 2012) e a especificação estatística (Lee, 2007) num único processo de modelação, levando a que, segundo Grace et a.l (2012), a prática da SEM englobe uma metodologia científica mais completa.

O desenvolvimento computacional impulsionou a conceção de métodos estatísticos para melhorar a qualidade da produção científica e a automatização da recolha e armazenamento de dados, potenciando um aumento dramático da complexidade dos modelos e dos métodos. A SEM não foi exceção. Beneficiou, por um lado, com o desenvolvimento de diversos softwares para a análise SEM, uns comerciais e outros livres, destes últimos a maioria disponível no software R e capazes de rivalizar com os comerciais. Por outro lado, por ser adequada para lidar com grandes volumes de dados, a metodologia foi objeto de desenvolvimentos e aplicações com complexidade crescente e numa vasta gama de domínios do conhecimento.

178

No presente trabalho dá-se conta de uma grande diversidade de aplicações da metodologia SEM, com especial ênfase nas Ciências Naturais e Ciências da Vida, tendo como objetivo ilustrar a importância que a metodologia readquiriu na biometria, área que esteve na sua génese, após ter passado por um longo período em que os desenvolvimentos metodológicos e as aplicações tiveram o foco principal nas Ciências Sociais e Humanas e na Psicometria.

Os desenvolvimentos metodológicos da SEM foram impulsionados quer pela diversidade de áreas de aplicação quer pelo desenvolvimento da capacidade computacional. A diversidade de áreas de aplicação, por um lado coloca desafios para a especificação adequada de ideias teóricas em modelos de equações estruturais, e por outro potencia a pesquisa de ferramentas estatísticas e de modelos capazes de lidar com diversos tipos de dados amostrais e diversos tipos de planeamentos experimentais. Computadores eficientes no armazenamento e processamento de grandes conjuntos de informações disponíveis hoje pelas mais diversas vias, grande profusão de programas de análise de dados e bibliografia disponível, seja com aspetos teóricos e metodológicos da SEM, seja com estratégias e aplicações específicas ou ainda com descrição de softwares para aplicação da SEM, tornaram a SEM acessível a um maior número de investigadores e a uma maior diversidade de áreas de investigação.

A metodologia SEM tem tal vastidão que se estende a um nível de flexibilidade maior que o dos Modelos Lineares Generalizados (Kline, 2011), que se apresenta como um caso particular da SEM, e contempla ainda modelos não lineares, modelos hierárquicos (multinível) e abordagem Bayesiana, para além de outras especificidades dependentes da área de aplicação.

Não é possível entender a aplicação da SEM em abordagens mais avançadas, sem conhecer os conceitos chave e a formulação básica da metodologia, bem como os detalhes técnicos sobre a análise de dados, interpretação e relatórios. Assim, foi feita uma revisão da SEM clássica, a SEM baseada na estrutura de covariâncias, que se tentou fosse o mais completa possível, tendo em conta as limitações deste tipo de trabalho e a dificuldade em sintetizar todos os detalhes, os cuidados e as questões práticas que há que ter na implementação da metodologia.

179

Os dados reais dificilmente são completos. Por um ou outro motivo há dados omissos no conjunto de dados em análise. Uma das questões aqui tratada com mais cuidado foi a omissão de dados e a forma como o software lida com essa situação.

Considerando que a implementação da metodologia depende da utilização de software, uma vez que requer grandes amostras, esta é uma questão incontornável. Durante muito tempo, o software LISREL foi o único disponível para implementar a SEM. Entretanto, deu-se a proliferação de softwares de implementação mais simples e que não exigem quase conhecimentos técnicos sobre a metodologia. No entanto, com exceção dos softwares em ambiente R, do Onyx e do JASP, todos os restantes são comerciais.

Dada a flexibilidade do ambiente R que permite o desenvolvimento integrado de cálculos estatísticos e gráficos e a enorme diversidade de ferramentas disponíveis para diferentes etapas da SEM, neste trabalho apresentou-se uma resenha dos pacotes que, de alguma forma, permitem implementar a SEM nas suas diferentes abordagens, de acordo com diferentes contextos, bem como implementar tarefas associadas, nomeadamente a verificação de pressupostos, as representações gráficas e o tratamento de dados omissos.

A SEM foi implementada com alguns exemplos e com diferentes pacotes.

Os resultados do programa PISA revelaram recentemente que em Portugal se tem feito um caminho muito positivo, nomeadamente nos resultados em Matemática. Para aprofundar o exemplo usado no capítulo 4, no tratamento de dados omissos, uma possível exploração futura consistirá na realização de estudos comparativos neste âmbito entre os resultados de 2003, 2012 e 2015, com recurso à metodologia SEM multinível e num estudo longitudinal. Poderá ser uma tarefa muito complexa, dada a também complexa estrutura das bases de dados, mas será certamente uma tarefa muito desafiante.

No âmbito dos processos de autoavaliação das escolas, a SEM oferece um sem número de possibilidades, seja no que se refere à avaliação da satisfação com serviços (administrativos e educativos), seja no que se refere ao sucesso escolar. Esta será também uma área de exploração futura.

O software R constituir-se-á num auxiliar precioso numa tarefa desta natureza.

A exploração da metodologia e do software R em áreas da saúde é um objetivo futuro, tendo em vista o desenvolvimento de competências noutras áreas para além da Educação, em conformidade com o percurso formativo que vem sendo desenvolvido.

181

REFERÊNCIASBIBLIOGRÁFICAS

1. Afari, E. (2013). The effects of psychosocial learning environment on students’ attitudes towards mathematics. In Application of structural equation modeling in educational research and practice (pp. 91-114). SensePublishers, Rotterdam.

2. Ahn, J. W. (2017). Structural Equation Modeling of Cultural Competence of Nurses Caring for Foreign Patients. Asian nursing research, 11(1), 65-73.

3. Allison, P. D. (2003). Missing data techniques for structural equation modeling. Journal of abnormal psychology, 112(4), 545.

4. Angelini, M. E., Heuvelink, G. B. M., & Kempen, B. (2017). Multivariate mapping of soil with structural equation modelling. European Journal of Soil Science.

5. Ansari, A., & Jedidi, K. (2000). Bayesian factor analysis for multilevel binary observations. Psychometrika, 65(4), 475-496.

6. Ansari, A., & Jedidi, K. (2001). Bayesian structural equation models for multilevel data. In New developments and techniques in structural equation modeling (pp. 149-178). Psychology Press.

7. Ansari, A., Jedidi, K., & Jagpal, S. (2000). A hierarchical Bayesian methodology for treating heterogeneity in structural equation models. Marketing Science, 19(4), 328-347.

8. Arhonditsis, G. B., Stow, C. A., Steinberg, L. J., Kenney, M. A., Lathrop, R. C., McBride, S. J., & Reckhow, K. H. (2006). Exploring ecological patterns with structural equation modeling and Bayesian analysis. Ecological Modelling, 192(3-4), 385-409.

9. Azadi, H., Barati, A. A., Rafiaani, P., Raufirad, V., Zarafshani, K., Mamoorian, M., ... & Lebailly, P. (2016). Agricultural Land Conversion Drivers in Northeast Iran: Application of Structural Equation Model. Applied Spatial Analysis and Policy, 9(4), 591-609.

10. Babenko, O., Alves, C. B., & Bahry, L. M. (2012). Using Structural Equation Modeling to Investigate Students' Career Awareness in Science. CJNSE/RCJCÉ, 4(1).

11. Barber, R. F., Drton, M., Weihs, L. (2017). SEMID: Identifiability of Linear Structural Equation Models. R package version 0.3.1

12. Beaujean, A. A., & Beaujean, M. A. A. (2018). Package ‘BaylorEdPsych’. Version 0.5

13. Bentler, P. M., & Wu, E. J. (2005). EQS 6.1 for Windows. Encino, CA: Multivariate Software INC.

14. Bentler, P. M., & Yuan, K. H. (1999). Structural equation modeling with small samples: Test statistics. Multivariate behavioral research, 34(2), 181-197.

15. Beran, T. N., & Violato, C. (2010). Structural equation modeling in medical research: a primer. BMC research notes, 3(1), 267.

16. Bernstein, B. B. (1975). Class, codes and control. Towards a theory of educational transmissions (Vol. 3). London: Routledge.

17. Bertossi, E. (2012). semGOF: Goodness-of-fit indexes for structural equation models. R package version 0.2-0

18. Blüthgen, N., Simons, N. K., Jung, K., Prati, D., Renner, S. C., Boch, S., ... & Tschapka, M. (2016). Land use imperils plant and animal community stability through changes in asynchrony rather than diversity. Nature communications, 7, 10697.

19. Boker, S., Neale, M., Maes, H., Wilde, M., Spiegel, M., Brick, T., ... & Mehta, P. (2011). OpenMx: an open source extended structural equation modeling framework. Psychometrika, 76(2), 306-317.